論文の概要: Long-tail Detection with Effective Class-Margins
- arxiv url: http://arxiv.org/abs/2301.09724v1
- Date: Mon, 23 Jan 2023 21:25:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-01-25 14:46:22.082683
- Title: Long-tail Detection with Effective Class-Margins
- Title（参考訳）: 効果的なクラスマージンを用いたロングテール検出
- Authors: Jang Hyun Cho, Philipp Kr\"ahenb\"uhl
- Abstract要約: 本稿では, 未知のテストセットの平均精度評価基準が, マージンベースの二項分類誤差によってどのように制限されているかを示す。
テキスト・エフェクティブ・クラス・マージン・ロス(ECM)と呼ばれる新しいサロゲート目標を用いて、マージンベースの二項分類誤差を最適化する。
- 参考スコア（独自算出の注目度）: 4.18804572788063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale object detection and instance segmentation face a severe data
imbalance. The finer-grained object classes become, the less frequent they
appear in our datasets. However, at test-time, we expect a detector that
performs well for all classes and not just the most frequent ones. In this
paper, we provide a theoretical understanding of the long-trail detection
problem. We show how the commonly used mean average precision evaluation metric
on an unknown test set is bound by a margin-based binary classification error
on a long-tailed object detection training set. We optimize margin-based binary
classification error with a novel surrogate objective called \textbf{Effective
Class-Margin Loss} (ECM). The ECM loss is simple, theoretically well-motivated,
and outperforms other heuristic counterparts on LVIS v1 benchmark over a wide
range of architecture and detectors. Code is available at
\url{https://github.com/janghyuncho/ECM-Loss}.
- Abstract（参考訳）: 大規模オブジェクト検出とインスタンスセグメンテーションは、厳しいデータ不均衡に直面します。
粒度の細かいオブジェクトクラスは、データセットに現れる頻度を少なくします。
しかし、テスト時には、最も頻繁なクラスだけでなく、すべてのクラスでうまく機能する検出器が期待されます。
本稿では, 長絡検出問題の理論的理解について述べる。
未知のテストセットにおける平均平均精度評価基準が,長尾の物体検出訓練セットにおけるマージンに基づくバイナリ分類誤差とどのように結びついているかを示す。
マージンに基づくバイナリ分類の誤差を,新たなサロゲート目標である \textbf{ effective class-margin loss} (ecm) を用いて最適化する。
ECMの損失は単純で理論上よく動機付けられており、LVIS v1ベンチマークにおける他のヒューリスティックな結果よりも幅広いアーキテクチャや検出器で優れている。
コードは \url{https://github.com/janghyuncho/ecm-loss} で入手できる。
関連論文リスト
- Approximate Size Targets Are Sufficient for Accurate Semantic Segmentation [52.239136918460616]
相対的なオブジェクトサイズ分布に近似するバイナリクラスタグを拡張することで、オフザシェルフアーキテクチャはセグメンテーション問題を解決することができる。
平均予測に対するゼロ回避KL偏差損失は、標準画素精度の監督に匹敵するセグメンテーション精度を生成する。
我々のアイデアはPASCAL VOC上で、近似オブジェクトサイズの人間のアノテーションを用いて検証されている。
論文 参考訳（メタデータ） (2025-03-10T06:02:13Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Revisiting Evaluation Metrics for Semantic Segmentation: Optimization
and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。
これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。
ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
論文 参考訳（メタデータ） (2023-10-30T03:45:15Z) - Characterizing the Optimal 0-1 Loss for Multi-class Classification with
a Test-time Attacker [57.49330031751386]
我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。
本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-02-21T15:17:13Z) - Long-tailed Instance Segmentation using Gumbel Optimized Loss [29.240427080642]
我々は,Gumbel Optimized Loss (GOL) 法を開発した。
GOLはAPの1.1%で最高の最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2022-07-22T08:20:23Z) - Class-Agnostic Segmentation Loss and Its Application to Salient Object
Detection and Segmentation [17.149364927872014]
そこで我々はCAS(class-agnostic segmentation)ロスと呼ばれる新しい損失関数を提案する。
CAS損失関数はスパースであり, 有界であり, クラス不均衡に対して頑健であることを示す。
論文 参考訳（メタデータ） (2021-07-16T12:26:31Z) - Class-Agnostic Segmentation Loss and Its Application to Salient Object
Detection and Segmentation [17.532822703595766]
そこで我々はCAS(class-agnostic segmentation)ロスと呼ばれる新しい損失関数を提案する。
CAS損失関数はスパースであり, 有界であり, クラス不均衡に対して頑健であることを示す。
低忠実度および高忠実度トレーニングデータの2つの設定における最先端手法に対する性能について検討する。
論文 参考訳（メタデータ） (2020-10-28T07:11:15Z) - The Devil is in Classification: A Simple Framework for Long-tail Object
Detection and Instance Segmentation [93.17367076148348]
本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。
主な原因は、オブジェクト提案の不正確な分類である。
そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-23T12:49:07Z) - Overcoming Classifier Imbalance for Long-tail Object Detection with
Balanced Group Softmax [88.11979569564427]
本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。
本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。
非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
論文 参考訳（メタデータ） (2020-06-18T10:24:26Z) - Frustratingly Simple Few-Shot Object Detection [98.42824677627581]
希少なクラスにおける既存検出器の最後の層のみを微調整することは、数発の物体検出タスクに不可欠である。
このような単純なアプローチは、現在のベンチマークで約220ポイントのメタ学習方法より優れている。
論文 参考訳（メタデータ） (2020-03-16T00:29:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。